2025年大学二年级（大数据分析）数据挖掘算法试题及答案.doc

2025年大学二年级（大数据分析）数据挖掘算法试题及答案

（考试时间：90分钟 满分100分）
班级______ 姓名______

第I卷（选择题 共30分）
答题要求：本卷共6题，每题5分。在每题给出的四个选项中，只有一项是符合题目要求的。
1. 以下哪种算法不属于聚类算法？
A. K-Means算法
B. DBSCAN算法
C. 决策树算法
D. 层次聚类算法
2. 支持向量机（SVM）主要用于解决什么问题？
A. 分类问题
B. 回归问题
C. 关联规则挖掘
D. 数据降维
3. 以下关于朴素贝叶斯算法的说法，错误的是？
A. 基于贝叶斯定理
B. 假设特征之间相互独立
C. 对缺失值敏感
D. 计算复杂度低
4. 以下哪个不是数据挖掘中常用的评估指标？
A. 准确率
B. 召回率
C. 均方误差
D. 相关系数
5. 主成分分析（PCA）的主要作用是？
A. 数据可视化
B. 数据降维
C. 特征选择
D. 异常检测
6. 以下哪种算法常用于处理序列数据？
A. 神经网络
B. 支持向量机
C. 隐马尔可夫模型
D. 决策树

第II卷（非选择题 共70分）
7. （10分）简述K-Means算法的基本步骤。
8. （15分）请说明决策树算法中信息增益和信息增益率的计算方法，并举例说明两者的区别。
9. （15分）给定一个数据集，包含属性A、B、C、D，类别标签为Y。数据如下：
|A|B|C|D|Y|
|---|---|---|---|---|
|1|2|3|4|1|
|2|3|4|5|0|
|3|4|5|6|1|
|4|5|6|7|0|
|5|6|7|8|1|
使用ID3算法构建决策树。
10. （15分）材料：某电商平台收集了用户的浏览记录、购买记录等数据，希望通过数据挖掘算法来分析用户的购买行为，预测用户未来可能购买的商品。
问题：请你选择一种合适的数据挖掘算法，并说明理由，以及如何进行数据预处理和模型训练。
11. （15分）材料：某医疗数据集包含患者的症状、检查结果、疾病诊断等信息，目标是通过数据挖掘帮助医生更准确地诊断疾病。
问题：请阐述你认为哪种算法适用于该数据集，并说明如何评估该算法在该数据集上的性能。

答案：1. C 2. A 3. C 4. D 5. B 6. C
7. （1）随机选择K个初始聚类中心。（2）计算每个样本到聚类中心 的距离，将样本分配到最近的聚类中心所在的簇。（3）重新计算每个簇的中心。（4）重复步骤（2）和（3），直到聚类中心不再变化或达到最大迭代次数。
8. 信息增益：$Gain(S,A)=Entropy(S)-\sum_{i=1}^{n}\frac{|S_i}{|S|}Entropy(S_i)$，其中$S$是数据集，$A$是属性，$S_i$是属性$A$取值为$i$时的子集。信息增益率：$GainRatio(S,A)=\frac{Gain(S,A)}{SplitInfo(S,A)}$，其中$SplitInfo(S,A)=-\sum_{i=1}^{n}\frac{|S_i|}{|S|}log_2\frac{|S_i|}{|S|}$。区别：信息增益偏向选择取值多的属性，信息增益率对取值多的属性有惩罚，避免属性取值过多导致的偏向。例如，一个属性有很多取值，信息增益大，但信息增益率可能较小。
9. 首先计算数据集的信息熵$Entropy(S)$。然后分别计算每个属性的信息增益，选择信息增益最大的属性作为根节点。对根节点的每个取值划分数据集，继续计算子数据集的信息熵和信息增益，构建子树，直到满足停止条件（如信息增益为0等）。
10. 可以选择关联规则挖掘算法，如Apriori算法。理由：能发现用户浏览和购买行为之间的潜在关联，帮助推荐相关商品。数据预处理：清洗数据，去除重复记录、缺失值等。对浏览记录和购买记录进行编码。模型训练：设置最小支持度和最小置信度，运行Apriori算法生成关联规则。
11. 可以选择朴素贝叶斯算法。适用于该数据集的原因是可以根据症状和检查结果等特征来预测疾病诊断。评估性能：可以使用准确率、召回率、F1值等指标。通过将数据集划分为训练集和测试集，在训练集上训练模型，在测试集上计算评估指标，来评估算法性能。